Системного аналитика должны интересовать входные и выходные данные изучаемой системы, а также информация о различных компонентах системы, взаимозависимостях и соотношениях между ними. Поэтому он заинтересован в сборе как количественных, так и качественных данных; он должен решить, какие из них необходимы, насколько они соответствуют поставленной задаче и как собрать всю эту информацию.
Создавая стохастическую компьютерную модель, всегда приходится решать, следует ли в модели использовать имеющиеся эмпирические данные непосредственно или целесообразно использовать теоретико-вероятностные или частотные распределения. Этот выбор имеет фундаментальное значение по трем причинам:
1. Использование необработанных эмпирических данных означает, что, как бы ни старались, мы можем моделировать только прошлое. Использование данных за один год отобразит работу системы за этот год и не обязательно скажет нам что-либо об ожидаемых особенностях работы системы в будущем. При этом возможными будут считаться только те события, которые уже происходили. Одно дело предполагать, что данное распределение в своей основной форме будет неизменным во времени, но совсем иное дело считать, что характерные особенности данного года будут всегда повторяться;
2. В общем случае применение теоретических частотных или вероятностных распределений с учетом требований к машинному времени и памяти более эффективно, чем использование табличных данных для получения случайных вариационных рядов, необходимых в работе с моделью;
3. Желательно, чтобы аналитик-разработчик модели определил ее чувствительность к изменению вида используемых вероятностных распределений и значений параметров. Иными словами, крайне важны испытания модели на чувствительность конечных результатов к изменению исходных данных. Таким образом, решения относительно пригодности данных для использования, их достоверности, формы представления, степени соответствия теоретическим распределениям и прошлым результатам функционирования системы в сильной степени влияют на успех эксперимента по моделированию.
В конечном счете перед разработчиком модели возникает проблема ее описания на языке, приемлемом для используемого компьютера. Переход к машинному моделированию привел к развитию большого числа специализированных инструментальных средств, предназначенных для этой цели. На практике, однако, каждое из предложенных средств ориентировано на ограниченный набор приложений. Математические модели обычно имеют сложную логическую структуру, характеризующуюся множеством взаимосвязей между элементами системы, причем многие из этих взаимосвязей претерпевают в ходе выполнения программы динамические изменения. Эта ситуация побудила исследователей разработать инструментальные средства с целью облегчения процессов моделирования для различных областей применения.
Основные отличия инструментальных средств компьютерного моделирования друг от друга определяются:
1) способом организации учета времени и происходящих действий;
3) способом проверки условий, при которых реализуются действия;
4) видом статистических испытаний, которые возможны при наличии данных,
5) степенью трудности изменения структуры модели.
Хотя некоторые из специальных средств компьютерного моделирования обладают очень нужными и полезными свойствами, выбор того или иного инструментального средства чаще всего определяется типом имеющейся в распоряжении исследователя вычислительной машины и теми инструментами, которые известны исследователю. И если существует выбор, то правильность его, по-видимому, зависит от того, в какой степени исследователь владеет методами моделирования. В некоторых случаях простое инструментальное средство, которое легко изучить и освоить, может оказаться более ценным, чем любое из более «богатых» средств, пользоваться которыми труднее вследствие присущих им особенностей.
